Мультиколінеарність (визначення, типи) | 3 найкращі приклади з поясненнями

Що таке мультиколінеарність?

Мультиколінеарність - це статистичне явище, при якому дві або більше змінних в регресійній моделі залежать від інших змінних таким чином, що одну можна лінійно передбачити від іншої з високим ступенем точності. Зазвичай він використовується в спостережних дослідженнях і менш популярний в експериментальних дослідженнях.

Типи мультиколінеарності

Існує чотири типи мультиколінеарності

  • №1 - Ідеальна мультиколінеарність - існує, коли незалежні змінні в рівнянні передбачають ідеальний лінійний зв’язок.
  • # 2 - Висока мультиколінеарність - Мається на увазі лінійна залежність між двома або більше незалежними змінними, які не повністю корелюють між собою.
  • №3 - Структурна мультиколінеарність - це спричинено самим дослідником, вставляючи різні незалежні змінні в рівняння.
  • №4 - Мультиколінеарність на основі даних - це спричинено експериментами, які погано розроблені дослідником.

Причини мультиколінеарності

Незалежні змінні, зміна параметрів змінних робить так, що невелика зміна змінних суттєво впливає на результат, і Збір даних відноситься до вибірки вибраної сукупності, яка береться.

Приклади мультиколінеарності

Приклад №1

Припустимо, що ABC Ltd KPO найнято фармацевтичною компанією для надання дослідницьких послуг та статистичного аналізу захворювань в Індії. Для цього компанія ABC ltd вибрала вік, вагу, професію, зріст та стан здоров’я як основні параметри.

  • У наведеному вище прикладі існує ситуація мультиколінеарності, оскільки відібрані для дослідження незалежні змінні безпосередньо корелюють з результатами. отже, для дослідника було б доцільно спочатку скорегувати змінні перед початком будь-якого проекту, оскільки результати будуть безпосередньо впливати через вибрані тут змінні.

Приклад №2

Припустимо, що компанія ABC Ltd призначена компанією Tata Motors, щоб зрозуміти, в якій категорії на ринку буде високий обсяг продажів двигунів Tata.

  • У наведеному вище прикладі, по-перше, будуть доопрацьовані незалежні змінні, на основі яких слід завершити дослідження. це може бути щомісячний дохід, вік. марка, нижчий клас. Це означає лише те, що будуть відібрані дані, які вмістяться на всіх цих вкладках, щоб зрозуміти, скільки людей може придбати цю машину (tata nano), навіть не дивлячись на будь-яку іншу машину.

Приклад №3

Припустимо, що ABC Ltd найнято для подання звіту, щоб дізнатись, скільки людей до 50 років схильні до серцевих нападів. для цього параметри - вік, стать, історія хвороби

  • У наведеному вище прикладі існує мультиколінеарність, яка виникла через те, що незалежну змінну "вік" потрібно змінити до віку до 50 років для запрошення заявок від громадськості, щоб особи, яким більше 50 років, автоматично фільтрувались.

Переваги

Нижче наведено деякі переваги

  • Лінійна залежність між незалежними змінними у рівнянні.
  • Дуже корисний у статистичних моделях та звітах про дослідження, підготовлених дослідницькими фірмами.
  • Прямий вплив на бажаний результат.

Недоліки

Нижче наведено деякі недоліки

  • У деяких ситуаціях ця проблема вирішується шляхом збору більше даних про змінні.
  • Неправильне використання фіктивних змінних, тобто дослідник може забути використовувати фіктивні змінні, коли це необхідно.
  • Вставка 2 однакових або однакових змінних у рівняння, як кг та фунтів у вагах.
  • Вставлення змінної в рівняння, яка є комбінацією 2.
  • Складний для виконання обчислень, оскільки це статистична техніка, і для його виконання потрібні статистичні калькулятори.

Висновок

Мультиколінеарність - це один із найбільш улюблених статистичних інструментів, який часто використовується при регресійному аналізі та статистичному аналізі великих баз даних та бажаного результату. Усі великі компанії мають у своїй компанії окремий статистичний відділ для проведення статистичного регресійного аналізу продуктів чи людей, щоб надати керівництву стратегічний погляд на ринок, а також допомогти їм скласти свої довгострокові стратегії, дотримуючись цього. Графічне подання аналізу дає читачеві чітке уявлення про прямий взаємозв'язок, точність та ефективність.

  • Якщо метою дослідника є розуміння незалежних змінних у рівнянні, то мультиколінеарність буде для нього великою проблемою.
  • Дослідник повинен зробити необхідні зміни у змінних на самому етапі 0, інакше це може мати значний вплив на результати.
  • Мультиколінеарність може бути здійснена шляхом вивчення кореляційної матриці.
  • Виправні заходи відіграють значну роль у вирішенні проблем мультиколінеарності.